XiaoMi-AI文件搜索系统
World File Search System最优的
量子信息的认证 - 麦吉尔
身份验证是经典密码学中一个研究较为深入的领域：发送者 A 和接收者 B 共享一个经典私钥，希望交换一条消息，并保证该消息未被控制通信线路的不诚实方修改（或替换）。本文研究了量子消息的身份验证。虽然从经典角度来看，身份验证和加密是独立的任务，但我们表明，除非对消息进行加密，否则任何验证量子消息的方案都不安全。假设 A 和 B 可以访问一个不安全的量子信道并共享一个私有的经典随机密钥，我们提供了一种方案，使 A 能够通过将 m 量子比特消息编码为 m + s 个量子比特来对其进行加密和身份验证（无条件安全），其中错误概率随安全参数 s 呈指数下降。该方案需要大小为 2 m + O ( s ) 的私钥，这是渐近最优的。我们还讨论了对量子消息进行数字签名的问题，并表明即使只有计算安全性，这也是不可能的。
人工智能和机器学习 (AI/ML)
1.担任 AI/ML 技术、服务和配置方面的高级技术专家，这些技术、服务和配置将有利于威胁搜寻和其他 CISA 任务能力。根据最佳实践和政府安全政策确定最优的 AI/ML 技术和维护方法。分析一系列技术解决方案、配置和服务设计，以增强威胁搜寻服务。审查可用数据，包括云、主机和网络分析工作流程、方法和技术，并就有利于威胁搜寻分析的 AI/ML 方法提供建议。2.与架构师、工程师、开发人员和运营商就与 AI/ML 有关的所有事项进行合作，利用个人在 AI/ML 基础设施和运营方面的知识和经验，分析 AI/ML 技术以确定针对给定用例的最有效和最高效的解决方案和服务。与适当的 CISA 领导层协调，提供最大限度的支持，以获得新的观点和方法，从而提供关键的任务能力并确保整体 CISA 任务成功。
选择性旅行商问题的量子退火方法
摘要 — 量子计算为更快、更有效地解决大规模、现实世界的优化问题铺平了道路，而这些问题对传统计算系统来说具有挑战性。例如，选择性旅行商问题 (sTSP) 在物流优化等领域很出名，并引起了研究界越来越多的关注，然而，它被称为 NP-Hard 问题。因此，解决 sTSP 非常复杂，因为优化函数可能带有指数数量的变量，一般无法在多项式时间内解决。为此，我们提出了一个量子退火框架，用于 sTSP 的时间限制和近乎最优的解决方案，克服了近期量子设备的硬件限制。特别是，我们提出了一个有效的汉密尔顿算子 (QUBO) 来对嘈杂的中等规模量子 (NISQ) 退火器上的 sTSP 复杂决策进行编码。此外，我们在 D-Wave 2000Q 量子硬件上获得的实验结果表明，可以获得多个实例的最优解。索引术语 — 量子计算、量子退火、优化和选择性 TSP。
2000 年合资企业竞争问题 - OECD
合资企业的成本效益比范围很广，其中成本指的是反竞争效应，而效益指的是促进竞争的效率。许多合资企业都需要在仔细评估和权衡利弊的基础上进行竞争审查。具有总体利于竞争效应的合资企业应该被允许，但对于它们可能包含的任何反竞争限制，情况不一定如此。执法指南在加强遵守竞争法方面特别有价值。安全港尤其有用。当各国法律对合并和公司间协议的程序和实质性待遇存在重大差异时，公司可能会有强烈的动机以从经济效率角度来看可能不是最优的方式构建合资企业。欧盟竞争政策和效仿欧盟的国家的政策在处理合资企业方面传统上比许多其他司法管辖区更加形式化和经济性更低。它们对合资企业的限制也可能更为严格。然而，近年来，这两种差异都有所减弱，这反映在欧盟对横向协议的态度上。
用于通用容错量子计算的最佳双量子比特电路
我们研究了 Cliffiord+ CS 门集上的两量子比特电路，该门集由 Cliffiord 门和受控相位门 CS = diag(1 , 1 , 1 , i ) 组成。Cliffiord+ CS 门集对于量子计算是通用的，其元素可以通过魔法状态蒸馏在大多数纠错方案中以容错方式实现。由于非 Cliffiord 门通常以容错方式执行的成本更高，因此通常希望构建使用少量 CS 门的电路。在本文中，我们介绍了一种高效且最优的两量子比特 Cliffiord+ CS 算子合成算法。我们的算法输入一个 Cliffiord+ CS 算子 U 并输出一个针对 U 的 Cliffiord+ CS 电路，该电路使用尽可能少的 CS 门。由于该算法是确定性的，因此它与 Cliffiord+ CS 算子相关联的电路可以看作是该算子的标准形式。我们给出了这些范式的明确描述，并利用该描述推导出最坏情况下限为 5 log 2 ( 1
信息论中的最佳重正化群变换
最近，引入了一种新颖的实空间重正化群 (RG) 算法。通过最大化信息论量，即实空间互信息，该算法可确定相关的低能自由度。受此启发，我们研究了平移不变系统和无序系统的粗粒化程序的信息论性质。我们证明，完美的实空间互信息粗粒化不会增加重正化汉密尔顿量中的相互作用范围，并且对于无序系统，它会抑制重正化无序分布中相关性的产生，从这个意义上讲是最优的。我们通过对干净随机的伊辛链进行任意粗粒化，通过经验验证了这些复杂性度量作为 RG 保留信息的函数的衰减。结果建立了 RG 作为压缩方案的性质与物理对象（即汉密尔顿量和无序分布）性质之间的直接且可量化的联系。我们还研究了约束对通用 RG 程序中粗粒度自由度的数量和类型的影响。
揭秘数据准备的人工智能
数据准备——发现、集成、转换、清理和注释数据的过程——是最古老、最难但又不可避免的数据管理问题之一。不幸的是，众所周知，数据准备是迭代的，需要高昂的人力成本，而且容易出错。人工智能 (AI) 的最新进展在许多数据准备任务上显示出非常有希望的结果。从高层次上讲，数据准备人工智能 (AI4DP) 应该具备以下能力。首先，人工智能模型应该捕捉现实世界的知识，以解决各种任务。其次，轻松适应新的数据集/任务非常重要。第三，数据准备是一个复杂的流程，有许多操作，这会导致有大量的候选者需要选择最优的，因此有效和高效地探索大量可能的流程空间至关重要。在本教程中，我们将介绍三个重要主题来解决上述问题：揭开基础模型的神秘面纱以注入数据准备知识、调整和调整预训练语言模型以进行数据准备，以及为不同的下游应用程序编排数据准备管道。
基于人工智能的电网弹性保护继电器
挑战 电网的保护系统（断路器、继电器、重合器和保险丝）是应对从常见风暴到极端事件等弹性事件的主要部件。保护设备必须非常快速地检测和操作，通常<0.25秒，以在系统不稳定或其他设备损坏之前消除系统中的故障。随着电网复杂性的增加，保护系统的负担也在增加；可再生能源，特别是基于逆变器的资源（IBR）和日益增加的电气化都导致保护设备的电网格局更加复杂。此外，自然灾害、老化的基础设施和人为攻击的威胁也越来越大，这些威胁可能导致电网出现故障和干扰。将人工智能应用于电力系统保护的挑战在于事件很少发生且不可预测。为了提高电网的弹性，人工智能必须能够从极少的数据中学习。在极端灾难中，采取完美、最优的行动可能并不重要，但必须保证人工智能在不可预见的事件中始终做出响应，将电网转向更稳定的状态。
量子限制相位不敏感的最佳增益感应......
相位不敏感光放大器均匀放大输入场的每个正交部分，具有基础和技术重要性。我们发现使用多模探针估计量子限制相位不敏感放大器增益的精度存在量子极限，该多模探针也可能与辅助系统纠缠。与损耗参数的感测形成鲜明对比的是，探针的平均光子数 N 和输入模式数 M 被发现是等效且可互换的最佳增益感测资源。所有纯态探针在放大器输入模式上的简化状态在多模数基础上对角化，在相同的增益独立测量下被证明是量子最优的。我们将使用经典探针可实现的最佳精度与基于显式光子计数的估计器对量子探针的性能进行了比较，并表明即使对于单光子探针和低效光电检测也存在优势。还推导出了两个产品放大器通道之间能量受限 Bures 距离的闭式表达式。
目标状态数量不确定的稳健量子搜索
M / N 和 j op = [( π / 2 − β ) / ( 2 β )] 是最优 Grover 迭代次数。如果 ( 2 j op + 1 ) β ≈ π / 2，则最大概率趋近于 1，这意味着如果量子数据库的维数很大，Grover 算法通常具有很高的成功率。Grover 算法经历了几个重要的发展。在某些情况下，比如结构化搜索 [ 7 ]，其成功率是各个搜索成功率的乘积，因此每个单独搜索的高成功率至关重要；特别是当维度不是那么大时，标准 Grover 算法的效果会不佳。为了解决这个问题，一些改进的搜索算法被提出 [ 8 – 12 ]。Grover-Long 算法 [ 11 ] 是这些改进算法之一，已被证明是最简单、最优的 [ 13 ， 14 ]。该算法的成功率达到 100%，而 Grover 算法在找到 4 个中的 1 个时才能达到 100% 的成功率。在 Grover 原始算法和 Grover 改进算法中，都需要提前知道标记状态的确切数量。因此，如果不知道确切数量，这些算法就无法确定何时停止 [15]。空间搜索 [16-18] 是解决此问题的方法之一。定点搜索算法是另一种方法